Este trabajo compara la eficiencia de algunos contrastes diagnosticos para discriminar entre modelos ARIMA, y discute la utilizacion en este contexto del criterio de Informacion de Akaike (MAIC). Hemos demostrado que el MAIC equivale a un contraste F para probar si la reduccion de varianza aportada por la introduccion de nuevos parametros es significativa. El nivel critico de este contraste es variable en funcion del numero incremental de parametros introducidos. Los resultados teoricos se ilustran con un experimento de simulacion. La conclusion principal respecto a los contrastes diagnosticos evaluados es que la eficacia del estadistico Q de Box-Pierce aumenta al utilizarlo conjuntamente con un contraste de rachas sobre los signos de los coeficientes de autocorrelacion simple. El contraste para la normalidad de Kolmogorov-Smirnov, aplicado a la distribucion de los residuos, parece ser de escasa utilidad para detectar errores en la estructura de los modelos. Finalmente, discutimos los problemas de utilizar un modelo automatico de seleccion y presentamos, mediante casos publicados en la literatura especializada, los riesgos asociados a procedimientos automaticos de construccion de modelos